自动驾驶车辆(AV)需要更新驾驶条件。过去的研究设想路边基础设施通过集中的毫米无线电波束传输此类更新。然而，挑战仍然存在，例如准确确定快速移动的自动驾驶汽车的位置，以便用波束跟踪它，并在短时间内形成最佳波束，从而以高速率和低延迟可靠地传输数据。

为了帮助解决这两个挑战，NIST研究人员分析了这些路边基础设施研究，并开发了一种使用“强化学习”的方法，“强化学习”是一种人工智能形式，可以奖励系统的预期性能。该方法在“5GV2X(车辆到一切)网络的深度强化学习辅助波束跟踪和数据传输”中进行了描述，该论文发表在《IEEE智能交通系统汇刊》上。

该方法的强化学习有助于路边基础设施根据下行链路优化快速移动的自动驾驶汽车位置的预测。它还帮助路边基础设施形成和调整最佳波束模式，以将数据传输到自动驾驶汽车。

该方法基于NIST研究人员使用强化学习框架，在该框架中，他们将影响车辆到基础设施通信性能的参数映射为状态、动作和奖励形式。他们还发现，通过修改该框架可以提高光束跟踪精度和光束优化。

NIST研究人员使用模拟来评估该方法。结果表明，该方法在跟踪精度、数据速率和时间效率方面表现良好。模拟还表明，所选框架的性能优于考虑的其他框架。

来源：飞机E族，原载地址：http://news.feijizu.com/news/20230901/11985.html欢迎分享本文！